[發明專利]信息處理方法、裝置及存儲介質

有效

• 申請號: 202010143192.7
• 申請日: 2020-03-04
• 公開（公告）號: CN111400443B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 唐可欣;齊保元;孟二利
• 申請（專利權）人: 北京小米松果電子有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F40/211;G06F40/289;G06F40/30
• 代理公司: 北京善任知識產權代理有限公司 11650
• 代理人: 康艷青

本公開是關于一種信息處理方法、裝置及存儲介質，包括：獲取第一語料數據；從配置文件中，確定與待訓練模型的模型結構相匹配的參數配置信息；初始化所述待訓練模型的模型參數獲得初始化參數；將所述模型參數從所述初始化參數更新為所述參數配置信息中的第一配置參數；基于所述第一語料數據，對所述模型參數更新后的待訓練模型進行訓練得到目標模型。由于配置文件所包含的第一配置參數是根據待訓練模型的模型結構預先確定的，相較于待訓練模型的初始化參數更優，通過將初始化參數更新為第一配置參數，能夠提高待訓練模型的訓練效率和精確度。

技術領域

本公開涉及信息技術領域，尤其涉及一種信息處理方法、裝置及存儲介質。

背景技術

文本分類，就是指根據文本內容本身將文本歸為不同的類別，通常是有監督學習(Supervised learning，SL)的任務。例如，根據文本內容的長短，進行單句、段落或者文檔的分類；根據文本分類的標簽，進行情感分類、意圖分析、黃反識別、垃圾信息檢測等分類任務。由于文本分類在工業界和學術界的廣泛應用，其和序列標注、文本匹配、文本生成一起并稱為自然語言處理(Natural Language Processing，NLP)四類基本任務。

文本的長短、任務不同可能會導致文本需抽取的特征存在細微差異，傳統機器學習算法，如支持向量機(Support Vector Machines，SVM)、邏輯回歸(LogisticRegression，LR)，在解決文本分類問題時往往需要根據任務本身分析數據、進行細致精密的特征工程，不僅會降低分類模型的訓練效率和精確度，也使得文本分類任務工作流難以實現自動化。

發明內容

本公開提供一種信息處理方法、裝置及存儲介質。

根據本公開實施例的第一方面，提供一種信息處理方法，包括：

獲取第一語料數據；

從配置文件中，確定與待訓練模型的模型結構相匹配的參數配置信息；

初始化所述待訓練模型的模型參數獲得初始化參數；

將所述模型參數從所述初始化參數更新為所述參數配置信息中的第一配置參數；

基于所述第一語料數據，對所述模型參數更新后的待訓練模型進行訓練得到目標模型。

可選的，所述方法還包括：

基于所述第一語料數據，至少獲得表征所述第一語料數據的分類特點的統計信息；

根據所述統計信息，確定與所述分類特點匹配的第二配置參數；

確定所述待訓練模型中未更新為所述第一配置參數的初始化參數；

將未更新為所述第一配置參數的初始化參數更新為所述第二配置參數。

可選的，所述基于所述第一語料數據，至少獲得表征所述第一語料數據的分類特點的統計信息，包括：

將所述第一語料數據的數據格式轉化為設定格式；

對轉化為所述設定格式的第一語料數據進行預處理，得到第二語料數據；

基于所述第二語料數據，獲得包含有所述第二語料數據中文本類別個數以及文本長度的統計信息。

可選的，所述將所述模型參數從初始化參數更新為所述參數配置信息中的第一配置參數，包括：

基于所述待訓練模型的類方法調用初始化函數，并基于所述初始化函數將所述待訓練模型的初始化參數，更新為所述參數配置信息所包含的第一配置參數。

可選的，所述方法還包括：

基于所述待訓練模型的遞歸函數，調用所述類方法；